AGIEval

AGIEval

全面评估AI模型人类认知能力的基准测试

AGIEval是一个评估AI基础模型人类认知能力的综合基准。它包含20个源自高标准入学和资格考试的任务,涉及多个领域。AGIEval提供完整数据集、基线系统评估和详细评估方法,是衡量AI模型综合能力的权威工具。最新版本支持多语言评估,并设有完整排行榜,为研究人员提供了全面的AI模型能力评估平台。

AGIEval基准测试基础模型人工智能评估自然语言处理Github开源项目

AGIEval

本仓库包含有关AGIEval的信息、数据、代码以及基准系统的输出结果。

简介

AGIEval是一个以人为中心的基准测试,专门设计用于评估基础模型在与人类认知和问题解决相关任务中的通用能力。 该基准测试源自20个面向普通人类考生的官方、公开、高标准的入学和资格考试,如普通大学入学考试(例如中国高考和美国SAT)、法学院入学考试、数学竞赛、律师资格考试和国家公务员考试。 有关该基准测试的完整描述,请参阅我们的论文:AGIEval:评估基础模型的以人为中心的基准测试

任务和数据

我们已将数据集更新至1.1版本。新版本更新了2023年的中国高考(化学、生物、物理)数据集,并解决了注释问题。为了便于评估,现在所有多项选择题(MCQ)任务只有一个答案(高考物理和JEC-QA以前有多标签答案)。AGIEval-en数据集与1.0版本保持不变。新版本的统计数据如下:

AGIEval v1.1包含20个任务,其中18个MCQ任务和两个完形填空任务(高考数学完形填空和MATH)。您可以在下表中找到完整的任务列表。 AGIEVal中使用的数据集

您可以在data/v1_1文件夹中下载所有后处理的数据。所有数据的使用都应遵循原始数据集的许可。

所有数据集的数据格式如下:

{
    "passage": null,
    "question": "设集合 $A=\\{x \\mid x \\geq 1\\}, B=\\{x \\mid-1<x<2\\}$, 则 $A \\cap B=$ ($\\quad$)\\\\\n",
    "options": ["(A)$\\{x \\mid x>-1\\}$", 
        "(B)$\\{x \\mid x \\geq 1\\}$", 
        "(C)$\\{x \\mid-1<x<1\\}$", 
        "(D)$\\{x \\mid 1 \\leq x<2\\}$"
        ],
    "label": "D",
    "answer": null
}

passage字段适用于高考语文、高考英语、两个logiqa、所有LSAT和SAT。多项选择题的答案保存在label字段中。完形填空题的答案保存在answer字段中。

我们在data/few_shot_prompts文件中提供了少样本学习的提示。

基准系统

我们评估了基准系统(gpt-3.5-turbo和GPT-4o)在AGIEval v1.1上的性能。 结果如下:

AGIEVal中使用的数据集

您可以按照以下步骤复现结果:

  1. openai_api.py文件中更新您的OpenAI API。
  2. 运行run_prediction.py脚本以获取结果。

评估

您可以运行post_process_and_evaluation.py文件以获取评估结果。

排行榜

我们报告了AGIEval v1.1的排行榜。排行榜包含两个子集AGIEval-en和AGIEval-zh。这两个子集排行榜仅包含MCQ任务。排行榜如下:

AGIEval-en 少样本

模型来源平均分
GPT-4o链接71.4
Llama 3 400B+链接69.9
Llama 3 70B链接63
Mixtral 8x22B链接61.2
GPT-3.5-Turbo链接52.7
Llama 3 8B链接45.9
Gemma 7B链接44.9
Mistral 7B链接44

AGIEval-zh 少样本

模型来源平均分
GPT-4o链接71.9
GPT-3.5-Turbo链接49.5

AGIEval-all 少样本

模型来源平均分
GPT-4o链接69.0
GPT-3.5-Turbo链接47.2

AGIEval-en 零样本

模型来源平均分
GPT-4o链接65.2
GPT-3.5-Turbo链接54.1

AGIEval-zh 零样本测试

模型来源平均分
GPT-4o链接63.3
GPT-3.5-Turbo链接45.0

AGIEval-all 零样本测试

(带星号的结果为AGIEval v1.0版本的报告结果。)

模型来源平均分
GPT-4o链接62.3
InternLM2-20B*链接53.0
Qwen-14B*链接52.0
Phi-3-medium 14b*链接50.2
InternLM2-Chat-7B-SFT*链接49.0
GPT-3.5-Turbo链接46.0
Qwen-7B*链接45.6
Mixtral 8x7b*链接45.2
Phi-3-small 7b*链接45.1
Gemma 7b*链接42.1
Llama-3-In*链接42.0
Phi-3-mini 3.8b*链接37.5
Mistral 7b*链接35.1
Phi-2 2.7b*链接29.8

引用

如果您在研究中使用了AGIEval基准测试或相关代码,请引用我们的论文:

@misc{zhong2023agieval,
      title={AGIEval: A Human-Centric Benchmark for Evaluating Foundation Models}, 
      author={Wanjun Zhong and Ruixiang Cui and Yiduo Guo and Yaobo Liang and Shuai Lu and Yanlin Wang and Amin Saied and Weizhu Chen and Nan Duan},
      year={2023},
      eprint={2304.06364},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

贡献

本项目欢迎贡献和建议。大多数贡献都要求您同意贡献者许可协议(CLA),声明您有权并确实授予我们使用您贡献的权利。有关详细信息,请访问 https://cla.opensource.microsoft.com。

当您提交拉取请求时,CLA机器人会自动确定您是否需要提供CLA,并适当地修饰PR(例如,状态检查、评论)。只需按照机器人提供的说明操作即可。您只需在使用我们的CLA的所有存储库中执行一次此操作。

本项目已采用微软开源行为准则。 有关更多信息,请参阅行为准则常见问题解答或联系 opencode@microsoft.com 获取任何其他问题或意见。

商标

本项目可能包含项目、产品或服务的商标或标识。微软商标或标识的授权使用必须遵守并遵循微软商标和品牌指南。在本项目的修改版本中使用微软商标或标识不得造成混淆或暗示微软赞助。任何第三方商标或标识的使用均受这些第三方的政策约束。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多